首页 > 新闻 > 科技

分享到微信

打开微信,点击底部的“发现”,
使用“扫一扫”即可将网页分享至朋友圈。

机器人低质数据泛滥:糟糕的数据是如何产生的

第一财经 2026-11-21 19:40:37 听新闻

作者:彭海斌    责编:李娜

“物理AI的普及,需要真机采集数据的占比会越来越低。”

“物理AI的普及,需要真机采集数据的占比会越来越低。”

近日,谋先飞Motphys创始人兼CTO张衡接受第一财经记者采访时作出上述判断。机器人训练需要海量数据,以真机方式采集数据成本太高、效率也很低。

物理仿真引擎越来越强大,可以在虚拟世界里无限生成带物理反馈的数据;人类佩戴眼镜和触觉手套等设备所采集的Ego数据也呈爆发式增长。这在很大程度上解决了训练数据短缺的问题,但与此同时,低质量的数据也出现泛滥的迹象。

谁在填补真机数据的缺口

大语言模型的数据,可以来自于丰富的互联网文本、视频等。正是基于这些数据的海量和易得,大语言模型才取得突飞猛进的发展。

机器人所需的真实数据,采集难度则上了几个台阶,也成为阻碍具身智能突破的关键瓶颈之一。

张衡认为,机器人训练肯定需要大规模的物理交互的可信数据,而机器人真机在现实世界里采集的数据成本过高,采集的速度也太慢了。在这样的情况下,仿真数据是不可或缺的替代解决方案。

谷歌的MuJoCo平台,英伟达的Newton平台,都是这样的面向机器人研究的物理仿真引擎。谋先飞是一家国内物理仿真引擎、具身智能训练与数据生成的企业。谋先飞的解决方案是,用少量的真实数据,先在仿真器里做数据扩展和增广、再做强化学习的训练,做真机部署可以实现零样本迁移。

机器人仿真建立在物理规律之上,比如重力、摩擦以及流体力学等。但仿真数据移植到机器人身上时,与现实的情况往往出现偏差,这一问题被称为“仿真与现实(sim2real)差距”,也是国内国外物理仿真引擎平台致力于解决的问题。

“随着物理仿真引擎越来越强大,可以用极低的成本,在虚拟世界里无限生成这些带触觉、带真实物理反馈的数据,也可以理解为用算力换取高质量的机器学习数据。”张衡说。真实物理世界的数据与仿真数据,并非非此即彼的关系,核心在于用更低成本,生产更高质量的数据。

EGO数据的爆发式增长,同样填补了真机数据短缺的空白。

在EGO数据采集过程中,人类操作员通过头戴式相机、具备触觉传感器的手套等设备,捕捉操作者执行叠衣服、烹饪等任务时的画面、手部动作以及环境信息等数据。

“去年下半年就有公司开始用20万小时级别的UMI数据(通过手持夹爪+第一视角相机采集的人类真实操作演示数据),到今年很多家公司都已经宣称到达了百万小时级别的数据规模。”觅蜂科技董事长姚卯青不久前接受第一财经在内的媒体采访时表示。

这类数据呈现陡峭的增长曲率。觅蜂科技是一家具身智能数据的采集和供应平台。姚卯青表示,觅蜂科技所服务的很多数据用户、模型公司希望冲击千万小时的数据规模。“可以预见未来一段时间里,对高质量、非常真实场景、丰富场景的高质量物理数据要求还是非常强劲的。”

真机数据、仿真数据以及EGO数据等各有利弊。

“行业重视数据的数量,但数据的质量和多样化同样重要。如果数据多样化做得好,规模不一定要那么大,也能取得很好的泛化效果。”张衡认为,验证数据好坏的标准就是在“真机实验”上的成功率和效果。

据张衡判断,未来的大趋势是:物理AI的普及,需要真机采集数据的占比会越来越低。

低质数据是如何产生的

即便真机采集的数据,也可能是低质无效的。

近日,觅蜂科技真机操作团队发布《真实机器人数据质量背后的隐藏变量:数十万小时数据带来的经验》论文,从20万小时以上真机数据、2万多个任务记录的工程积累出发,拆解了影响真机数据质量的隐藏因素,部分解释了“隐形坏数据”是怎么被生产出来的。

论文提及一次机器人拾取积木的对比试验。在一项操作中,积木被放在机器人初始视野之外,而操作员凭借自己的肉眼直接判断积木位置,机器人记录到的画面里没有操作机械臂的依据。基于这类数据训练的模型,机械臂操作的准确率约为50%,接近随机行为;另一项操作模式是:操作员与机器人同视角,同步观察积木位置,确认后再操作机械臂。基于这类数据训练的模型,手臂操作准确的概率提高到100%。

这一实验说明,一条好数据不仅要记录“机器人做了什么”,还必须记录“机器人为什么这样做”。后训练数据的有效性,取决于观测是否覆盖了决策依据。如果画面里没有选择动作所需的信息,后训练出的模型学会的不是“先观察再行动”,而是在信息不完整时随机选择。

对于EGO数据来说,显著的问题在于无效的重复数据过多了。

市场流传有企业买了100万小时数据,最后只有10%到20%的数据是可用的。姚卯青表示,这是真实发生的事情。

不少数据采集商还在“盲采”。他们没有仔细辨别具身智能企业的真实需求,而是先按自己预设的场景、方式、设备、人员管理方式去采集和构建自己的数据库存。但是,真正被用户使用之后,暴露出数据不匹配的问题。

“一些非常同质化、没有太多附加值的数据,比如单目、室内场景的裸手数据,尤其是叠衣服这些数据太容易获取,也很泛滥了。另一方面,有些人卖过一遍数据以后,还会低价再去市场上复卖。”姚卯青说。

一些数据采集商对于设备本身也没有很好的定义,更多玩家还是在做跟随。

据姚卯青观察,很多企业近期还在进行单目、Pico采集,但市场主流需求已经往多目、双目、立体、触觉、全身等方向发展,而自研设备对于技术、资金投入也有很高的门槛。

国内仿真数据的短板也很明显。

物理仿真的核心问题之一是“软体算不准”。机械臂等刚体的仿真已比较成熟,但流体(倒水)和柔性体(毛巾、衣服)的精度仍有较大缺失。

“如何在极小的时间预算内,把复杂的物理形变算得又准又快,是行业下一阶段的技术挑战。”张衡说。

机器人会在解决这些问题的过程中进化。张衡认为,现在具身智能的训练范式还在高速变化,特别是像 OpenAI的大语言模型展现出了高层控制能力,未来机器人从上层到底层的AI控制策略还需要再观察。

举报
第一财经广告合作,请点击这里
此内容为第一财经原创,著作权归第一财经所有。未经第一财经书面授权,不得以任何方式加以使用,包括转载、摘编、复制或建立镜像。第一财经保留追究侵权者法律责任的权利。
如需获得授权请联系第一财经版权部:banquan@yicai.com

文章作者

一财最热
点击关闭